A Spacing Estimator

तकनीकी सारांश: एक स्पेसिंग एस्टिमेटर (Spacing Estimator)

समस्या विवरण
स्पेसिंग्स (spacings)—अर्थात क्रमिक ऑर्डर स्टैटिस्टिक्स के बीच का अंतर—का वितरण सांख्यिकीय सिद्धांत में एक मौलिक अवधारणा है। जबकि यूनिफॉर्म और एक्सपोनेंशियल रैंडम वेरिएट्स के लिए स्पेसिंग्स के घनत्व (density), अपेक्षित मान (expected value) और प्रसरण (variance) के सटीक विश्लेतिक व्यंजक (analytic expressions) सुस्थापित हैं, ऐसे समाधान अन्य वितरणों के लिए सामान्यतः उपलब्ध नहीं होते हैं। कई वितरणों (जैसे कि नॉर्मल, बीटा, $\chi^2$, $t$, रेले, वेइबल, फ्रेचेट) के लिए, संचयी घनत्व फलन (c.d.f.) का कोई क्लोज्ड फॉर्म नहीं होता है, या स्पेसिंग डेंसिटी इंटीग्रल के भीतर शिफ्ट $x+y$ अलग नहीं हो पाता है, जिससे समस्या को ज्ञात इंटीग्रल्स में बदलना असंभव हो जाता है। फलस्वरूप, उन वितरणों के लिए अपेक्षित स्पेसिंग्स और उनके प्रसरणों का अनुमान लगाने के लिए विश्वसनीय विधियों की आवश्यकता है जहाँ विश्लेतिक समाधान कठिन हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र दो प्राथमिक दृष्टिकोणों का उपयोग करता है:

1. विश्लेतिक व्युत्पत्ति (Analytic Derivation): लॉजिस्टिक और गंबल (Gumbel) वितरणों के लिए, लेखक पायक्स (Pyke) के सामान्य सूत्रीकरण का उपयोग करके स्पेसिंग का सटीक घनत्व व्युत्पन्न करता है। हाइपरजियोमेट्रिक फलनों (hypergeometric functions) से जुड़े ज्ञात इंटीग्रल्स और जटिल श्रृंखला विस्तारों (series expansions) का उपयोग करते हुए, अपेक्षित स्पेसिंग और द्वितीय क्षण (second moment—जो प्रसरण के लिए आवश्यक है) के लिए क्लोज्ड-फॉर्म व्यंजक प्राप्त किए गए हैं। इन व्युत्पत्तियों में जटिल योग (summations) शामिल हैं जहाँ पद लगभग एक-दूसरे को निरस्त कर देते हैं ताकि कॉम्बिनेटोरियल विस्फोट (combinatorial explosion) को रोका जा सके, जिसके लिए मूल्यांकन हेतु उच्च-परिशुद्धता वाली गणितीय लाइब्रेरीज़ की आवश्यकता होती है।
2. क्वांटाइल एस्टिमेटर (Quantile Estimator): उन वितरणों के लिए जिनमें विश्लेतिक स्पेसिंग समाधान नहीं हैं, यह शोध पत्र एक "क्वांटाइल एस्टिमेटर" प्रस्तावित करता है। यह विधि व्युत्क्रम संचयी घनत्व फलन (inverse c.d.f.), $F^{-1}(p)$ का लाभ उठाती है। चूंकि एक वितरण से लिए गए $n$ बिंदु यूनिट अंतराल $[0,1]$ में $n$ समान रूप से वितरित बिंदुओं के अनुरूप होते हैं, इसलिए अपेक्षित स्पेसिंग को मैप किए गए बिंदुओं के अंतर द्वारा अनुमानित किया जाता है: $\tilde{E}\{D_i\} \approx F^{-1}(p_i) - F^{-1}(p_{i-1})$। इसे व्युत्क्रम c.d.f. के अवकलज (derivative) के एक परिमित अंतर सन्निकटन (finite difference approximation) के रूप में परिष्कृत किया गया है: $\tilde{E}\{D_i\} \approx \frac{dF^{-1}(p)}{dp} \Delta p$।

मुख्य योगदान और परिणाम

• नए विश्लेतिक परिणाम: शोध पत्र लॉजिस्टिक और गंबल वेरिएट्स के लिए स्पेसिंग घनत्व, अपेक्षित मान और प्रसरण के पहले विश्लेतिक व्यंजक प्रदान करता है।
  • लॉजिस्टिक वितरण के लिए, अपेक्षित स्पेसिंग को फैक्टोरियल्स और योगों वाली एक जटिल श्रृंखला के रूप में व्युत्पन्न किया गया है। प्रसरण को लघुगणक (logarithms) और डिलोगारिदम ($Li_2$) की अनंत श्रृंखलाओं वाले एक क्लोज्ड-फॉर्म समाधान के रूप में व्यक्त किया गया है।
  • गंबल वितरण के लिए, अपेक्षित स्पेसिंग के लिए एक व्यंजक व्युत्पन्न किया गया है जिसमें लघुगणकों की अल्टरनेटिंग सीरीज़ शामिल है। शोध पत्र नोट करता है कि वर्तमान व्युत्पत्ति के साथ प्रसरण के लिए क्लोज्ड-फॉर्म अभिव्यक्ति संभव नहीं है।
• क्वांटाइल एस्टिमेटर का सत्यापन:
  • यह एस्टिमेटर एक्सपोनेंशियल और लॉजिस्टिक वितरणों के लिए सटीक (exact) सिद्ध हुआ है, जो उनके संबंधित विश्लेतिक श्रृंखला समाधानों से मेल खाता है।
  • अन्य वितरणों (कॉची, पारेटो, रेले, वेइबल, फ्रेचेट) के लिए, जिनका व्युत्क्रम योग्य c.d.f. है, यह एस्टिमेटर एक सन्निकटन (approximation) के रूप में कार्य करता है।
• त्रुटि विश्लेषण (Error Analysis): विभिन्न वितरणों और सैंपल साइज ($n=25, 75, 250$) में सन्निकटन त्रुटि ($|\text{mean spacing} - \text{estimate}|$) को मापने के लिए 100 मिलियन परीक्षणों के व्यापक संख्यात्मक सिमुलेशन किए गए।
  • सटीकता: एस्टिमेटर ऑर्डर स्टैटिस्टिक्स के मध्य के पास के बिंदुओं के लिए अत्यधिक सटीक है। त्रुटियाँ सैंपल साइज के वर्ग के व्युत्क्रमानुपाती ($1/n^2$) होती हैं। छोटे सैंपल ($n \le 25$) के लिए, त्रुटियाँ $10^{-3}$ से $10^{-2}$ के बीच रहती हैं; बड़े सैंपल ($n \ge 100$) के लिए, त्रुटियाँ $10^{-5}$ से $10^{-4}$ तक सुधर जाती हैं।
  • पूंछ क्षरण (Tail Degradation): वितरणों की पूंछ (tails) में सटीकता कम हो जाती है। असममित वितरणों के लिए, शिखर से दूर स्थित पूंछों में त्रुटियाँ 15–20% तक पहुँच सकती हैं। उदाहरण के लिए, पारेटो एस्टिमेटर दाईं पूंछ में माध्य से 18% तक पीछे रह जाता है, और फ्रेचेट एस्टिमेटर चरम पूंछ ($i=n$) पर 26% की त्रुटि दिखाता है।
  • विशिष्ट व्यवहार: लैप्लास वितरण मोड के पास (जहाँ घनत्व नॉन-डिफरेंशिएबल है) बढ़ी हुई त्रुटि दिखाता है। कॉची वितरण अपने भारी पूंछ (heavy tails) के कारण अन्य वितरणों की तुलना में अधिक त्रुटि प्रदर्शित करता है।

महत्व
शोध पत्र मुख्य रूप से लॉजिस्टिक और गंबल वेरिएट्स को शामिल करके स्पेसिंग वितरण के ज्ञात विश्लेतिक परिणामों के विस्तार के माध्यम से अपनी महत्ता का दावा करता है, जिनके पास पहले ऐसे क्लोज्ड फॉर्म नहीं थे। इसके अलावा, यह क्वांटाइल एस्टिमेटर को उन वितरणों के लिए एक मजबूत, सामान्य-उद्देश्यीय उपकरण के रूप में स्थापित करता है जहाँ विश्लेतिक स्पेसिंग समाधान असंभव हैं। यह अध्ययन इस एस्टिमेटर की सीमाओं को मात्रात्मक रूप से निर्धारित करता है, यह प्रदर्शित करते हुए कि हालांकि यह केंद्रीय ऑर्डर स्टैटिस्टिक्स के लिए संख्यात्मक सिमुलेशन की सीमा तक सटीक है, लेकिन असममित वितरणों की पूंछ में यह महत्वपूर्ण क्षरण (20% तक) का शिकार होता है। यह कार्य मशीन विजन और अन्य क्षेत्रों में स्पेसिंग सांख्यिकी का अनुमान लगाने के लिए एक व्यावहारिक ढांचा प्रदान करता है, बशर्ते उपयोगकर्ता वितरण की पूंछ में बढ़ी हुई त्रुटि मार्जिन को ध्यान में रखे।